CN113884876A - 故障检测系统及方法 - Google Patents
故障检测系统及方法 Download PDFInfo
- Publication number
- CN113884876A CN113884876A CN202010635018.4A CN202010635018A CN113884876A CN 113884876 A CN113884876 A CN 113884876A CN 202010635018 A CN202010635018 A CN 202010635018A CN 113884876 A CN113884876 A CN 113884876A
- Authority
- CN
- China
- Prior art keywords
- motor
- data
- fault
- data collection
- collection sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013480 data collection Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本专利申请提供一种电动机故障检测系统及方法。该系统包括：数据收集传感器，其电耦合至一电动机；与用作电动机电流特征分析器的处理器，其仅基于该数据收集传感器采集到的被测功率消耗电流数据检测该电动机的性能状况，并基于该检测到的所述电动机的性能状况提供表明该电动机内的故障的状况信息。所述方法包括：通过数据收集传感器测量来自电动机的功率消耗电流数据；通过用作电动机电流特征分析器的处理器，仅基于该被测功率消耗电流数据检测该电动机的性能状况；及基于该检测到的所述电动机性能状况，为用户提供表明该电动机内的故障的状况信息。
Description
【技术领域】
本专利申请总体涉及故障检测，并且更具体地涉及利用电能监视进行故障检测的系统及方法。
【背景技术】
商业建筑物中通常有许多由电动机驱动的重要设备，比如暖通空调系统、电梯、泵送系统等。电动机容易出现各种类型的故障，这些故障给建筑物使用者和企业(operations)带来困扰。例如，电动机包含多个转子条，当一个旋转磁场经过转子条时会在转子条中产生一电压。电动机是许多类型机器的关键组件。例如，建筑物电力系统可支持运行压缩机、风扇、鼓风机、电梯、泵、传送带、涡轮机等的三相感应电动机。
相关研究表明，普通三相感应电动机首次失效时间(time to first failure)的平均失效率大约为3.13％。一个电动机的不同组件有不同的故障可能性。如果电动机故障了，可能就是主要的组件发生故障了。
电动机故障不一定意味着电动机停止工作了。电动机故障可包括低效的性能(performance)或表明电动机的一个组件接近完全故障的性能。
【发明内容】
在实施例中，本专利申请描述的电能监视器当与一电源线或电力系统连接时，可自动检测电动机的故障和异常性能，因而不需要对电动机的独立监视。
本专利申请提供一种故障检测系统及方法。在一个实施例中，一种故障检测系统包括：数据收集传感器，其电耦合至一电动机，该数据收集传感器为非电动机特定传感器且与一断路器相连，该断路器与所述电动机相关联；与用作电动机电流特征分析器的处理器，其仅基于该数据收集传感器采集到的被测功率消耗电流数据检测该电动机的性能状况，并基于该检测到的所述电动机的性能状况提供表明该电动机内的故障的状况信息。
优选地，该数据收集传感器是一个数据收集器系统的组成部分，该数据收集器系统耦合至与该电动机相关的本地电力系统，以监视位于一个位置的总用电量，且所述数据收集传感器在位置上与所述电动机独立设置，更换所述数据收集传感器无需接近所述电动机。
优选地，该数据收集传感器是与该数据收集器系统相关联的多个基于电路的传感器之一；该多个基于电路的传感器用于在一个中心位置收集用电数据。
优选地，该多个基于电路的传感器用于超高频分解收集到的所述用电数据。
优选地，所述每个基于电路的传感器被夹在一个或多个对应的断路器上，该一个或多个断路器各自与被该数据收集器系统监视的电动机相关联，这些传感器连网在一起并与一个独立的通信接口连线，以与所述处理器通信。
优选地，该数据收集传感器在一段时间内收集数据，该处理器用于检测该电动机的电流消耗的变化并基于一个预测模型将该变化与该电动机的发展性故障进行关联，该预测模型包括一个基于与该电动机具有同样极数和槽数的电动机的数据的统计模型。
优选地，所述故障检测系统进一步包括短期循环检测器；该短期循环检测器用于执行一种算法，该算法基于与该检测到的电流消耗变化相关联的发展性故障检测用电设备的设定点问题；且用于确定由发展性故障演变为一个或多个完全故障的预计时间。
在另一个实施例中，一种故障检测方法包括：通过数据收集传感器测量来自电动机的功率消耗电流数据，该数据收集传感器为非电动机特定传感器且与一断路器相连，该断路器与所述电动机相关联；通过用作电动机电流特征分析器的处理器，仅基于该被测功率消耗电流数据检测该电动机的性能状况；及基于该检测到的所述电动机性能状况，为用户提供表明该电动机内的故障的状况信息。
优选地，所述通过该数据收集传感器测量功率消耗电流数据的步骤包括利用耦合至与该电动机相关的本地电力系统的一个数据收集器系统来监视位于一个位置的总用电量，且所述数据收集传感器在位置上与所述电动机独立设置，更换所述数据收集传感器无需接近所述电动机。
优选地，该数据收集传感器是与该数据收集器相关联的多个基于电路的传感器之一；该多个基于电路的传感器用于在一个中心位置收集用电数据。
优选地，该多个基于电路的传感器用于超高频分解收集到的所述用电数据。
优选地，所述每个基于电路的传感器被夹在一个或多个对应的断路器上，该一个或多个断路器各自与被该数据收集器系统监视的电动机相关联，这些传感器连网在一起并与一个独立的通信接口连线，以与所述处理器通信。
优选地，所述故障检测方法进一步包括：在一段时间内收集功率消耗电流数据；与检测该电动机的电流消耗的变化并基于一个预测模型将该变化与该电动机的发展性故障进行关联，该预测模型包括一个基于与该电动机具有同样极数和槽数的电动机的数据的统计模型。
优选地，所述故障检测方法进一步包括：利用一种算法检测短期循环，该算法基于与该检测到的电流消耗变化相关联的发展性故障检测用电设备的设定点问题；与确定由发展性故障演变为一个或多个完全故障的预计时间。
在又一个实施例中，一种非暂时性计算机可读介质，被用于控制计算机执行一种故障检测方法的指令编码，该方法包括：通过数据收集传感器测量来自电动机的功率消耗电流数据，该数据收集传感器为非电动机特定传感器且与一断路器相连，该断路器与所述电动机相关联；通过用作电动机电流特征分析器的处理器，仅基于该被测功率消耗电流数据检测该电动机的性能状况；及基于该检测到的所述电动机性能状况，为用户提供表明该电动机内的故障的状况信息。
优选地，所述测量功率消耗电流数据的步骤包括控制所述数据收集传感器以监视位于一个位置的总用电量，该数据收集传感器是一个数据收集器系统的组成部分，该数据收集器系统耦合至与该电动机相关的本地电力系统，且所述数据收集传感器在位置上与所述电动机独立设置，更换所述数据收集传感器无需接近所述电动机。
优选地，该数据收集传感器是与该数据收集器系统相关联的多个基于电路的传感器之一；该多个基于电路的传感器用于在一个中心位置收集用电数据。
优选地，该多个基于电路的传感器用于超高频分解收集到的所述用电数据。
优选地，所述每个基于电路的传感器被夹在一个或多个对应的断路器上，该一个或多个断路器各自与被该数据收集器系统监视的电动机相关联，这些传感器连网在一起并与一个独立的通信接口连线，以与所述处理器通信。
优选地，所述故障检测方法进一步包括：在一段时间内收集功率消耗电流数据；检测该电动机的电流消耗的变化并基于一个预测模型将该变化与该电动机的发展性故障进行关联；与利用一种算法检测短期循环，该算法基于与该检测到的电流消耗变化相关联的发展性故障检测用电设备的设定点问题。
【附图说明】
图1是根据本专利申请一个实施例的示例性故障检测分析图；
图2是根据本专利申请一个实施例的示例性故障检测分析图；
图3A和图3B是根据本专利申请实施例的示例性故障警报的示意图；
图4是根据本专利申请一个实施例的示例性系统报告的示意图；
图5是根据本专利申请一个实施例的识别并预测潜在电动机故障的过程的流程图；
图6是包含适用在本专利申请一些实施例中的示例性计算设备的示例性计算环境的示意图。
【具体实施方式】
以下详细说明提供了关于本专利申请的附图和实施例的进一步详细描述。为了清楚起见，对附图之间重复的元件附图标记和描述作了省略。整个说明中使用的术语作为示例提供，并不旨在进行限制。例如，术语“自动”的使用可以包括全自动或半自动的实施方式，涉及用户或管理员对实施方式的某些方面的控制，取决于实践本申请的实施方式的本领域普通技术人员的所需的实施方式。用户可通过用户界面或其他输入方式进行选择，或通过适当的算法实现。本专利申请所描述的实施例可单独或结合地实施，且实施例的功能可根据所需实现方式通过任何方式得以实现。
监视电动机的故障需要高分辨率的频谱将不同频率的的组件分开。因为转子断条(broken rotor bar)故障时的频率特征与基础组件非常接近并且它们的振幅相比之下差异很小，所以在低负载(light load)条件下很难区别正常的和有故障的转子。相关技术的系统不能在低负载的情况下检测故障和故障严重程度的分类。
当绝缘失效时，发生定子绕组故障，进而在定子绕组(stator winding)内产生短路。发生转子条故障是由于转子条内的分裂(fission)或断裂(cracking)产生的，该故障可引起电动机过热并完全损坏转子条。在另一例子中，当轴承出现点蚀(pitted)时，电动机轴承故障会产生，该故障在电动机内部会产生微小的位移(shift)。传统地，在电动机发生故障后电动机故障才被诊断出来。在相关技术中，预先的电动机故障检测涉及多个复杂的灵敏传感器，这些传感器与每个电动机直接连接并收集大量电动机特定指标(metrics)。
不包含内部诊断系统的设备通常需要专业技术人员亲身检查设备以查证故障及排除故障以识别故障类型或导致故障的根源。由传感器收集并由维护诊断服务分析的信息可减少专业人员服务的频率和费用。
本专利申请描述的方法和系统包含对偏心负载(eccentric loads)的检测，该偏心负载指示电动机失效(motor failure)之前的潜在电动机故障，例如由断裂的转子或点蚀的滚珠轴承导致的潜在电动机故障。
图1和图2是检测转子断条的部分分析图。图1显示了来自不包含转子断条的电动机的电流的频谱100。图2显示了来自包含一转子断条的电动机的电流的频谱200。图中显示的是电源频率(本例为60赫兹)附近的电流的频谱信号。在一个正常的电动机中，除了60赫兹处的峰值(spike)110外，频谱信号105是平的。在一个包含转子断条的电动机中，频谱信号205不仅包含电源频率(60赫兹)处的峰值210，还包含由转子断条导致的峰值(spike)215和220，峰值215和220分别位于60赫兹两边的两个频率处。
具体的频率是电动机当前状况和电动机参数的函数。该系统包含用于检测和诊断设备正常状况的电动机电流特征分析(Motor Current Signature Analysis)模块。该电动机电流特征分析可由一个计算设备实施，例如下面将论述的图6中的计算设备605。在一个实施例中，该电动机电流特征分析模块分析设备的高清晰度(high definition)性能数据，以识别故障。电动机电流特征分析利用位于本地电力系统一个中心点的传感器检测故障，该传感器具有高采样率。例如，通过电动机电流特征分析(MCSA)只利用电力数据的电力特征，该系统只利用电力数据识别感应电动机的故障。电动机电流特征分析(MCSA)对比正常电动机和包含转子断条的电动机之间的电流频率的高分辨率分析。
在一个实施例中，负载检测发生在不包含电动机特定传感器的本地电力系统的中心位置。在一个实施例中，传感器与断路器面板上的电路连接，功率消耗数据被分析以识别来自与该电路连接的每一电动机的设备特征。在一个实施例中，基于电动机的功率消耗检测转子条故障。
一个数据收集器系统可以耦合至本地电力系统以监视位于一个位置(如商业的、工业的或住宅建筑物)的总用电量。在一个实施例中，所述数据收集器系统包含多个基于电路的数据收集传感器，这些基于电路的数据收集传感器可以在一个中心位置如配电板(如配电盘(panelboard)、断路器面板、电气面板(electric panel)等)收集用电数据。例如，基于电路的传感器可用于电气面板，在电气面板上，每个传感器被夹在一个电路上，且该多个传感器菊花链式(daisy-chained)连接在一起，与一个数据传输器连接，以与一个云分析器系统连接。多个基于电路的传感器可用于超高频分解(如8千赫兹)。在一个实施例中，传感器被夹在断路器上，这些传感器连网在一起并与一个独立的通信接口连线。来自多个传感器的数据被流传输至基于云的软件用于进行与天气、来自公用事业或替代能源(如太阳能电池、现场(on-site)电池等)的电力价格数据相关的分析。该系统可以在高峰用电需求时段当设施消耗大量电能时对建筑物管理者(如用户)发出警报并识别大量用电的设备以减少用电需求。例如，基于当前的天气数据、公用事业电力价格、建筑物性能预测等调整加热和冷却系统。
即使异常情况没有导致故障或引发灾难的故障，电动机的异常或低效性能(performance)也是可检测的。例如，电动机随着时间推移逐渐地或偶尔消耗的电力比正常运行时所需的电力要多，该系统能够检测这种电动机的异常性能。在一些情况下，过度消耗电力可导致组件或外壳发热。非引起灾难的过热会增加建筑物的冷却成本并产生潜在的次生(secondary)危害，比如使维护人员受伤或引发火灾。
一个短期循环(short cycling)检测器用于执行一种算法以检测经历设定点(setpoint)问题(比如阀门堵塞(clogged valves)、配置错误等)的用电设备(比如暖通空调、空调、冰箱等)。短期循环故障浪费电能、减少用电器寿命并且能够导致引发灾难的故障或对建筑物造成次生破坏(比如水灾)。
图3A和图3B是根据本专利申请实施例的示例性故障警报(fault alert)用户界面305和310的示意图。电动机故障报告可集成到一个包含高水平周报和详细诊断报告的移动应用程序。该用户界面305和310可显示在一个计算设备的显示屏上，比如下面将描述的图6中的计算设备605。该系统利用多个数据收集传感器(例如602)不断监视与本地电力系统(例如604)连接的多个电动机(例如601)的正常状况。当检测到故障时，本系统产生警报的时间比传统建筑物监视所需时间短很多。
图4是根据本专利申请一个实施例的示例性系统报告用户界面400的示意图。本专利申请描述的方法和系统包含一个用于异常设备性能和严重(critical)系统故障的实时警报系统。一个电能追踪通知平台包含实时通知设施管理者和总工程师关于建筑物内电能消耗问题的能力。多个传感器为建筑物内的重要设备收集大量高清晰度数据(highdefinition data)。
图5是根据本专利申请一个实施例的识别并预测潜在电动机故障的过程的流程图500。该方法可由一个计算设备执行，例如下面将论述的作为该系统组成部分的图6中的计算设备605。
如图5所示，在步骤505中，给电动机通电，使该电动机转动。给电动机通电后，在步骤510中测量电动机的电流消耗频谱(current draw spectrum)。该电流消耗频谱可以由位于将电动机连接到电源的断路器或控制箱的电流传感器(亦称为数据收集传感器)测量。换言之，该电流传感器可位于与电动机距离较远的地方。另外，该电流传感器可独立于电动机，从而更换该传感器时无需接近(access)电动机。
在步骤515中，确定由该电流传感器测量的电流频谱是否显示任何独立于电源的电流频率的频率峰值。如果没有检测到独立于电源的电流频率的频率峰值(步骤515的结果为否)，在步骤520中电动机被确定为目前没有任何故障。在步骤530中，该传感器可继续测量电动机随时间变化的电流消耗频谱。在步骤535中，随着时间推移检测到的任何新的频率峰值被视为表明电动机内出现发展性故障(developing faults)。如果发展性故障形成，在步骤540中可采取潜在的纠正措施如维护、维修或替换。
相反，返回到步骤515中的确定步骤，如果检测到独立于电源的电流频率的频率峰值(步骤515的结果为是)，不同于电源的电流频率的其他频率峰值在步骤525中与电动机故障进行关联。如果检测到电动机故障，在步骤540中可采取潜在的纠正措施如维护、维修或替换。
因此，该系统基于流向电动机的电流的频率检测电动机的性能。为响应检测潜在的电动机故障或异常性能，该系统可警告建筑物操作员关于电动机的位置，提供详细的历史性能报告并预测发生灾难性电动机故障的可能性及故障类型和响应策略。
响应策略可以是警告建筑物管理者采取措施，例如，将设备设置为安全模式、改用备用设备和/或安排专家检查和维修设备。为协助诊断和维修设备，该系统为用户(如建筑物管理者)提供详细的报告，报告包含历史电信号的图形描述信息，可发送给维修服务商或专家。
由该系统收集的详细信息为维修服务商提供了可能并不能直接从设备或电动机获取的诊断信息。基于故障频率发展速度的历史，故障发生的可能性和寿命表现时长(lifetime performance hours)可用于估计故障何时发生或何时需要维护。在一个实施例中，该报告可包含相对于在该地点被监视的其他电动机或基于在其他地方被类似地跟踪的设备的故障严重程度分级(severity rating)。
进一步地，当多个同一类型的设备被监视，每个同类型的设备的性能可相对于其他同类型设备进行分析，以提供正常状况评估及预测或决定维护需要的优先顺序。该系统可确定预计的电动机失效时间(time to failure)，并包括电动机的估计剩余寿命。
例如，该系统监视包含多个电梯设备的建筑物且每个电梯包含多个电动机，该系统可追踪与其他电梯设备电动机的性能进行比较的每个电动机的性能，并评估电动机发生故障的可能性，以改善故障的模式检测和在多个电梯设备之间进行维护的优先排序。在一些实施例中，该系统可利用来自拥有相似特征的电动机的数据构建一个统计模型，例如具有相同极数(poles)和槽数(slots)的感应电动机等。例如，基于之前观察到的完全故障(total fault)，该系统可确定由发展性故障演变为完全故障的预计时间，例如当电动机部分脱落(slip)或开始断裂。相应地，包含一个电梯系统的建筑物可与其他相似电梯系统进行比较，以提供对比指标。
该系统收集详细的性能数据以形成可发送给电工、供应商、制造商、保险公司等的诊断信息(例如电动机的一个相位发生故障)。该系统能够收集设备中的电动机的性能指标，这些设备中的每个设备都不需要独立的实时监视系统。例如，提供电动机的每分钟转数数据和转子条槽数的系统可验证(verify)故障发生并减少维修服务商的现场诊断时间。
另外，设备供应商可基于实际性能数据将设备的历史性能用于未来的改进或升级，而每个设备供应商不必支持独立的实时监视系统。例如，故障频率可通过设备性能数据被追踪，而不是通过供应商的维修访问数据库被独立地追踪。
部分详细描述以算法和计算机内操作的符号表示的形式展示出来。这些算法描述和符号表示是数据处理领域技术人员用于向其他本领域技术人员传递其创新精髓的方法。算法是一系列定义的步骤，这些步骤可得到需要的最终状态或结果。在一些实施例中，实施的步骤需要物理操控实际数量(tangible quantities)以取得实际的结果。
图6是包含适用在一些实施例中的示例计算设备605的示例计算环境600的示意图。在计算环境600中的计算设备605可包括一个或多个处理单元、核心或处理器610、存储器615(如随机存取存储器、只读存储器等)、内部存储器620(如磁性的、光学的、固态存储和/或有机的)和/或输入/输出接口625，上述任何一个部件都可耦合在用于传输信息的通信机构或总线630上，或嵌入在该计算设备605中。
计算设备605可以通信方式耦合到输入/用户接口635和输出设备/接口640。输入/用户接口635和输出设备/接口640中的任一者或两者可以是有线的或无线的接口并且可以是可拆卸的。输入/用户接口635可包括可用于提供输入的任何物理的或虚拟的设备、组件、传感器或接口(如按钮、触屏界面、键盘、指向/光标控件、麦克风、摄像机、盲文(braille)、运动传感器、光学阅读器等)。
输出设备/接口640可包括显示器、电视、监视器、打印机、扬声器、盲文等。在一些实施例中，输入/用户接口635(如用户界面)和输出设备/接口640可嵌入到所述计算设备605中或以物理方式耦合到所述计算设备605。在其他实施例中，其他计算设备可用作计算设备605的输入/用户接口635和输出设备/接口640或为计算设备605提供输入/用户接口635和输出设备/接口640的功能。这些元件可包括，但不限于人们熟知的增强现实(AR)硬件输入，以使用户能够与增强现实环境互动。
计算设备605的示例可包括，但不限于经常移动的设备(例如，智能电话、车辆和其他机器中的设备、人类和动物携带的装置等)、移动设备(例如，平板电脑、笔记本电脑、手提电脑、个人计算机、便携式电视、无线电装置等)以及非针对移动性而设计的设备(例如，台式计算机、服务器设备、其他计算机、信息亭、有一个或多个处理器嵌入其中的电视、有一个或多个处理器耦合到其中的电视、无线电装置等)。
计算设备605可以通信方式耦合到(例如，通过输入/输出接口625)外部存储器645和网络650，以便与任何数目的连网组件、设备和系统(包含具有相同或不同配置的一个或多个计算设备)进行通信。计算设备605或任何经连接的计算设备可充当以下各项、提供以下各项的服务或被称作以下各项：服务器、客户端、精简型服务器(thin server)、通用机器、专用机器或另一标签。
输入/输出接口625可包含，但不限于使用任何通信或输入/输出协议或标准(例如，以太网、802.11xs、通用系统总线、WiMAX、调制解调器、蜂窝式网络协议等)的有线和/或无线接口，以用于向计算环境600中的至少所有经连接的组件、设备和网络传送信息和/或自所述经连接的组件、设备和网络来传送信息。网络650可以是任何网络或网络组合(例如，因特网、局域网、广域网、电话网络、蜂窝式网络、卫星网络等)。
计算设备605可利用计算机可用或计算机可读的介质(包含暂时性介质和非暂时性介质)和/或使用所述介质来进行通信。暂时性介质包含传输介质(例如，金属电缆、光纤)、信号、载波等。非暂时性介质包含磁性介质(例如，磁盘和磁带)、光学介质(例如，紧凑型光盘只读存储器(CD ROM)、数字视频光盘、蓝光光盘)、固态介质(例如，随机存取存储器、只读存储器、快闪存储器、固态存储器)以及其他非易失性存储器或内存。
计算设备605可用于在一些示例计算环境中实施多种技术、方法、应用、过程或计算机可执行指令。计算机可执行指令可从暂时性介质检索到并存储在非暂时性介质上并从非暂时性介质检索到。可执行指令可源自任何编程、脚本和机器语言(例如，C、C++、C#、Java、Visual Basic、Python、Perl、JavaScript等)中的一个或多个。
在本地或虚拟环境中，处理器610可在任何操作系统(OS)(图中未示出)下执行。可部署一个或多个应用，所述应用包含逻辑单元655、应用编程接口(API)单元660、输入单元665、输出单元670、电流频谱收集单元675、电流频谱分析单元680、故障相关单元685以及用于使不同单元互相通信、与操作系统(OS)和与其他应用(图中未示出)通信的单元间通信机构695。
例如，电流频谱收集单元675、电流频谱分析单元680和故障相关单元685可实施图5中的一个或多个过程并提供图1至图4中的一个或多个用户界面。上述单元和组件在设计、功能、设置或实施方式上可以不同，且不限于上述描述。
在一些实施例中，当信息或执行指令被应用编程接口(API)单元660接收，该信息或执行指令可被传输至一个或多个其他单元(例如电流频谱收集单元675、电流频谱分析单元680和故障相关单元685)。例如，所述电流频谱收集单元675可从与供给电动机的电力相关的电流传感器处收集与一个或多个电动机相关的电流数据并将该收集到的数据提供给电流频谱分析器。进一步地，所述电流频谱分析单元680可分析来自所述电流频谱收集单元675的数据，以识别不同于电源驱动频率(drive frequency)的频率峰值并将识别的峰值提供给所述故障相关单元685。进一步地，该故障相关单元685可基于该识别的峰值识别电动机故障并生成一个用于识别故障和通过输出单元将响应选择提供给用户的用户界面。
如上所述，在所述本地电力系统604中，一个数据收集传感器602(例如数据收集器系统中的多个数据收集传感器之一)通过该本地电力系统604耦合至一个电动机601。一个断路器603通过该本地电力系统604与该电动机601电耦合，该数据收集传感器602与该断路器603物理连接以进行监视。
在一些情况中，所述逻辑单元655可用于控制单元之间的信息流并引导由上述一些实施例中的应用编程接口(API)单元660、输入单元665、电流频谱收集单元675、电流频谱分析单元680和故障相关单元685所提供的服务。例如，一个或多个过程或实施方式的流程可由所述逻辑单元655单独控制或由所述逻辑单元655与所述应用编程接口(API)单元660共同控制。
尽管已展示和描述了一些实施例，但提供这些实施例是为了将本文描述的技术内容传达给熟悉本领域的技术人员。应该理解，所述技术内容可以各种形式实施，不限于所述实施例。可在没有那些特定地界定或描述的事物的情况下或在有未描述的其他或不同元件或事物的情况下实施本文中描述的技术内容。本领域的技术人员将了解，在不偏离如所附权利要求书以及其等效物中界定的本文中描述的技术内容的情况下，可对这些实施例进行改变。
除非另有特别说明，从所述论述中可明显看出，可以理解在整个描述中，论述使用的术语如“处理”、“计算”、“运算”、“显示”等可包括计算机系统或其他信息处理设备的操作和过程，这些计算机系统或信息处理设备操纵并将被表示为计算机系统的寄存器和存储器内物理(电子)量的数据转化为被类似表示为计算机系统的存储器或寄存器或其他信息存储、传输或显示设备内物理量的数据。
实施例也可涉及一个用于实施本文所述操作的装置。该装置可针对所需的用途而特别构造或可包括一个或多个通用计算机，该通用计算机由一个或多个计算机程序选择性地激活或重新配置。这些计算机程序可存储在一个计算机可读介质中，例如一个计算机可读存储介质或一个计算机可读信号介质。一个计算机可读存储介质可包含有形介质例如，但不限于，光盘、磁盘、只读存储器、随机存取存储器、固态设备和驱动器或其他类型适用于存储电子信息的有形或非暂时性介质。一个计算机可读信号介质可包括介质如载波。本文中呈现的算法和显示器不是固有地涉及任何特定计算机或其它装置。计算机程序可包含纯软件实施方式，该纯软件实施方式包含实施所需实施方式的操作的指令。
各种通用系统可以根据本文中的示例与程序和模块一起使用，或者构造更为专用的装置来执行期望的方法步骤被证明是便利的。另外，实施例不参照任何特定编程语言描述。可以理解，各种编程语言可以用来实施如本文中所述的实施例的教导。编程语言的指令可以由一个或多个处理设备执行，比如中央处理单元(CPU)、处理器或控制器。
如本领域中已知的，上述操作可由硬件、软件或软件和硬件的某种组合来执行。实施例的各方面可使用电路和逻辑装置(硬件)来实现，而其它方面可使用存储在机器可读介质(软件)上的指令来实现，其如果由处理器执行，将使得处理器执行实施本申请的实施方式的方法。此外，本申请的一些实施例可只在硬件中实施，而其它实施例可仅在软件中实施。此外，所描述的各种功能可在单个单元中执行，或者可按照任何数量的方式横跨若干组件分布。当由软件执行时，所述方法可基于存储在计算机可读介质上的指令由处理器例如通用计算机执行。如果需要的话，指令可按照压缩和/或加密格式存储在介质上。
此外，考虑到说明书和本申请的教导的实践，对于本领域技术人员而言本申请的其它实施方式可以显而易见。所描述的实施例的各方面和/或组件可单独地使用或按照任何组合使用。说明书和实施例旨在仅被视为示例，本申请的真实范围和精神由所附权利要求书指示。
Claims (10)
1.一种故障检测系统，其包括：
数据收集传感器，其电耦合至一电动机，该数据收集传感器为非电动机特定传感器且与一断路器相连，该断路器与所述电动机相关联；与
用作电动机电流特征分析器的处理器，其仅基于该数据收集传感器采集到的被测功率消耗电流数据检测该电动机的性能状况，并基于该检测到的所述电动机的性能状况提供表明该电动机内的故障的状况信息。
2.根据权利要求1所述的故障检测系统，其中该数据收集传感器是一个数据收集器系统的组成部分，该数据收集器系统耦合至与该电动机相关的本地电力系统，以监视位于一个位置的总用电量，且所述数据收集传感器在位置上与所述电动机独立设置，更换所述数据收集传感器无需接近所述电动机。
3.根据权利要求2所述的故障检测系统，其中该数据收集传感器是与该数据收集器系统相关联的多个基于电路的传感器之一；该多个基于电路的传感器用于在一个中心位置收集用电数据。
4.根据权利要求3所述的故障检测系统，其中该多个基于电路的传感器用于超高频分解收集到的所述用电数据。
5.根据权利要求3所述的故障检测系统，其中所述每个基于电路的传感器被夹在一个或多个对应的断路器上，该一个或多个断路器各自与被该数据收集器系统监视的电动机相关联，这些传感器连网在一起并与一个独立的通信接口连线，以与所述处理器通信。
6.根据权利要求2所述的故障检测系统，其中该数据收集传感器在一段时间内收集数据，该处理器用于检测该电动机的电流消耗的变化并基于一个预测模型将该变化与该电动机的发展性故障进行关联，该预测模型包括一个基于与该电动机具有同样极数和槽数的电动机的数据的统计模型。
7.根据权利要求6所述的故障检测系统，其进一步包括短期循环检测器；该短期循环检测器用于执行一种算法，该算法基于与该检测到的电流消耗变化相关联的发展性故障检测用电设备的设定点问题；且用于确定由发展性故障演变为一个或多个完全故障的预计时间。
8.一种故障检测方法，其包括：
通过数据收集传感器测量来自电动机的功率消耗电流数据，该数据收集传感器为非电动机特定传感器且与一断路器相连，该断路器与所述电动机相关联；
通过用作电动机电流特征分析器的处理器，仅基于该被测功率消耗电流数据检测该电动机的性能状况；及
基于该检测到的所述电动机性能状况，为用户提供表明该电动机内的故障的状况信息。
9.根据权利要求8所述的故障检测方法，其中所述通过该数据收集传感器测量功率消耗电流数据的步骤包括利用耦合至与该电动机相关的本地电力系统的一个数据收集器系统来监视位于一个位置的总用电量，且所述数据收集传感器在位置上与所述电动机独立设置，更换所述数据收集传感器无需接近所述电动机。
10.根据权利要求8所述的故障检测方法，其进一步包括：
在一段时间内收集功率消耗电流数据；与
检测该电动机的电流消耗的变化并基于一个预测模型将该变化与该电动机的发展性故障进行关联，该预测模型包括一个基于与该电动机具有同样极数和槽数的电动机的数据的统计模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010635018.4A CN113884876A (zh) | 2020-07-03 | 2020-07-03 | 故障检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010635018.4A CN113884876A (zh) | 2020-07-03 | 2020-07-03 | 故障检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113884876A true CN113884876A (zh) | 2022-01-04 |
Family
ID=79013216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010635018.4A Pending CN113884876A (zh) | 2020-07-03 | 2020-07-03 | 故障检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113884876A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2339049C1 (ru) * | 2007-03-02 | 2008-11-20 | Виктор Сергеевич Петухов | Способ диагностики электродвигателя переменного тока и связанных с ним механических устройств |
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
-
2020
- 2020-07-03 CN CN202010635018.4A patent/CN113884876A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2339049C1 (ru) * | 2007-03-02 | 2008-11-20 | Виктор Сергеевич Петухов | Способ диагностики электродвигателя переменного тока и связанных с ним механических устройств |
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11867770B2 (en) | Remaining-life and time-to-failure predictions of power assets | |
| AU2013225926B2 (en) | HVAC system remote monitoring and diagnosis | |
| US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
| KR101224324B1 (ko) | 수배전반 관리 시스템 및 그 방법 | |
| KR101172602B1 (ko) | 가전기기별 전력 관리를 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 | |
| JP5520807B2 (ja) | 住宅用電気機器メンテナンス管理装置及び住宅用電気機器メンテナンスシステム | |
| CN103138980A (zh) | 设备故障反馈系统及方法 | |
| JP2012118978A (ja) | 機械状態の監視方法及びシステム | |
| US11156666B2 (en) | System and methods for fault detection | |
| GB2485446A (en) | Motor monitoring and control | |
| EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
| US20180231603A1 (en) | Systems and Methods for Detecting Occurence of an Event in a Household Environment | |
| US20180365963A1 (en) | Electrical signature analysis of electrical rotating machines | |
| JP6870615B2 (ja) | 機器管理システムと装置と方法並びにプログラム | |
| US9886082B2 (en) | Power protection and remediation | |
| CN107250931B (zh) | 能源服务推荐引擎 | |
| US11125790B2 (en) | Method for operating a power consumption metering system and power consumption metering system | |
| CN113884876A (zh) | 故障检测系统及方法 | |
| WO2022133270A1 (en) | Systems and methods for evaluating electrical phasors to identify, assess, and mitigate power quality issues | |
| JP2004070699A (ja) | 機器管理システム | |
| KR20220037935A (ko) | 물리적 특성을 기반으로 전기차 충전기의 이상 탐지 방법 및 장치 | |
| KR101058001B1 (ko) | 네트워크 기기에 대한 애프터 서비스 제공 방법 및 그시스템 | |
| CN110852459A (zh) | 一种自动报修系统 | |
| US20240169409A1 (en) | Energy management system | |
| KR101938147B1 (ko) | 가입자 망 감시 장치, 냉방기를 제어하는 단말 및 그의 구동 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |